Aplicação de Machine Learning para Auxiliar o Processo Decisório de Investimento em Fundos Imobiliários

Abstract

RESUMO: A decisão de investimento em ativos financeiros negociados em bolsa de valores é apontada como uma questão cheia de desafios devido à sua natureza volátil. Neste cenário, a aplicação de técnicas de aprendizado de máquina tem ganhado destaque, visto a possibilidade de se correlacionar atributos e grande quantidade de dados para modelar problemas complexos de forma a lidar com a volatilidade inerente desses ativos. O objetivo deste trabalho é verificar a possibilidade de aplicação de aprendizado de máquina a fundos imobiliários consonantes a estudos desenvolvidos para ações. Para o mercado de ações apurou-se uma série de estudos utilizando diversos métodos e abordagens de aprendizado de máquina, contudo, especificadamente para fundos imobiliários verifica-se uma escassez de referências. O modelo obtido conseguiu, predominantemente, superar quatro outras técnicas de negociação ao se avaliar o retorno anualizado em diferentes intervalos de tempo e de classificação de fundos, demonstrando assim a capacidade generalista do modelo.

ABSTRACT: The decision to invest in financial assets traded on the stock exchange is seen as an issue fraught with challenges due to its volatile nature. In this scenario, the application of machine learning techniques has gained prominence, given the possibility of correlating attributes and large amounts of data to model complex problems in order to deal with the inherent volatility of these assets. The objective of this work is to verify the possibility of applying machine learning to real estate funds in line with studies developed for stocks. For the stock market, a series of studies were found using different methods and machine learning approaches, however, specifically for real estate funds, there is a scarcity of references. The model obtained predominantly managed to outperform four other trading techniques when evaluating the annualized return at different time intervals and fund classification, thus demonstrating the generalist capacity of the model.